Новые методы объяснения прогнозов неблагоприятных событий при инфаркте миокарда после чрескожных коронарных вмешательств
2025-01-01
2026-12-31
Медицинские информационные системы хранят большие объемы медицинских данных, включающие информацию о жалобах пациентов, анамнезе их заболеваний, результатах объективных, лабораторных и инструментальных исследований и др. показатели. Эта информация содержит скрытые знания о взаимосвязях между параметрами, характеризующими клинико-функциональный статус больных, и исходами заболеваний. К ключевым элементам прогностических исследований в клинической медицине относят определение факторов риска неблагоприятных событий и разработку прогностических моделей. Для решения этой задачи все чаще используют методы машинного обучения (МО), обеспечивающие приемлемую точность прогноза, но имеющие ограниченные возможности для объяснения и клинической интерпретации его результатов. Недостаточная прозрачность моделей МО является барьером для их широкого внедрения в клиническую практику. Вместе с тем наиболее доступной формой объяснения принятых моделью прогностических решений является набор условий - правил, понятных врачу и соответствующих общепринятым стандартам клинической практики. Для формирования таких правил предлагается использовать алгоритмы дерева решений. Вместе с тем недостатком этого метода является невысокая точность прогнозов и, следовательно, некорректный набор правил. Таким образом, научная проблема, на решение которой направлен проект, состоит в разработке методов формирования корректных правил, извлеченных из дерева решений или ансамбля деревьев и объясняющих заключения, генерируемые прогностическими моделями МО. Научная новизна исследования состоит в разработке новых методов:-новый метод формирования дерева решений на основе рассчитанных оптимальных пороговых значений (OptimumDT), позволяющий разрабатывать прогностическую модель с высокими метриками качества; -новый метод формирования случайного леса на основе метода формирования дерева решений OptimumDT (OptimumRF);-новый метод приведения пула правил принятия решений к виду, обеспечивающему прозрачность оценки причинно-следственных связей анализируемых факторов с конечными точками, позволяющей практикующим врачам принимать эффективные клинические решения (SimpleRules). Практическая значимость работы состоит в том, что разработка этих методов позволит обеспечить автоматизированное формирование правил принятия решений и в рамках реализации проекта имплементировать программный компонент (микросервис) в систему поддержки принятия врачебных решений.
1 этап: 1. Актуализированная база данных больных с ИМnST после ЧКВ с двумя конечными точкам: ВГЛ и ПоФП. Объем выборки около 5 тыс. историй болезни. 2. Выделенные и валидированные предикторы, а также комплекс моделей, позволяющих оценить вероятность ВГЛ и ПоФП у больных ИМnST после ЧКВ. 3. Сформированные факторы риска ВГЛ и ПоФП на основе метода многоуровневой категоризации непрерывных предикторов. 4. Метод формирования дерева решений на основе оптимальных пороговых значений факторов риска (OptimumDT). 5. Метод формирования случайного леса на основе деревьев решений OptimumDT (OptimumRF). 6. Результаты апробации метода OptimumDT на двух конечных точках ВГЛ и ПоФП. 7. Подготовленные публикации (2 публикации в журналах RCSI/WoS/Scopus и 1 доклад на конференции), отчет по проекту.
2 этап: 1. Результаты апробации метода формирования случайного леса на основе оптимальных деревьев решений OptimumRF в задачах прогнозирования ВГЛ и ПоФП у пациентов с ИМnST после ЧКВ. 2. Метод извлечения пула правил решений из деревьев решений (OptimumDT) и случайного леса (OptimumRF) и их упрощения. 3. Результаты апробации метода формирования пула простых правил прогнозирования ВГЛ и ПоФП у больных с ИМnST после ЧКВ. 4. Микросервисы, реализующие формирование оптимальных дерева решений (OptimumDT) и случайного леса (OptimumRF), формирования и упрощения пула правил решений, встроенные в СППВР Телесфор. 5. Публикации: 2 публикации в журналах RCSI/WoS/Scopus и 1 доклад на конференции, отчет по проекту.
1500000
Федеральные (РФФИ, НФПК, РГНФ)
Российский научный фонд
28.23.29 Программная реализация интеллектуальных систем